用于图像分类的深度子域自适应网络
计算机视觉与模式识别
2021-06-18 v1 人工智能
摘要
对于标注数据不可用的目标任务，域自适应可以将学习器从不同的源域迁移过来。以往的深层域自适应方法主要学习全局域偏移，即对齐全局源域和目标域分布，而未考虑不同域中同一类别的两个子域之间的关系，导致未能捕捉细粒度信息，迁移学习性能不佳。近年来，越来越多的研究者关注子域自适应，其侧重于精确对齐相关子域的分布。然而，其中大多数为对抗方法，包含多个损失函数且收敛缓慢。基于此，我们提出深度子域自适应网络（DSAN），它通过基于局部最大均值差异（LMMD）对齐不同域间域特定层激活的相关子域分布来学习迁移网络。我们的 DSAN 非常简单但有效，无需对抗训练且收敛快。通过用 LMMD 损失扩展大多数前馈网络模型，即可轻松实现自适应，并可通过反向传播高效训练。实验表明，DSAN 在物体识别任务和数字分类任务上均能取得显著结果。我们的代码将发布于：https://github.com/easezyc/deep-transfer-learning
引用
@article{arxiv.2106.09388,
title = {Deep Subdomain Adaptation Network for Image Classification},
author = {Yongchun Zhu and Fuzhen Zhuang and Jindong Wang and Guolin Ke and Jingwu Chen and Jiang Bian and Hui Xiong and Qing He},
journal= {arXiv preprint arXiv:2106.09388},
year = {2021}
}
备注
published on TNNLS